ARIMA(p,d,q)

Data Science de cero a experto

Introducción

Bienvenido al curso
Materiales
Libro Ciencia de Datos para todos

R y Python para Data Science y Análisis de Datos

Introducción a R y Python

Introducción a Python

Comenzamos con Python (9:16)

Python: Instalación

Instalando Python (9:10)
Google Colaboratory (8:27)

Python: Fundamentos del lenguaje

Variables (9:40)
Operadores (12:04)
Cadenas de texto (strings) - parte I (10:49)
Cadenas de texto (strings) - parte II (10:48)
Cadenas de texto (strings) - parte III (10:19)
Cadenas de texto (strings) - parte IV (8:02)
Condicionales (if, else, elif) (5:18)
Operadores de comparación (=,==,<,...) (8:02)
Ciclo "while" (8:22)
Ciclo "for" (11:02)
Listas - I (9:23)
Listas - II (6:29)
Listas - III (11:10)
Listas - IV (6:58)
Diccionarios - I (6:09)
Diccionarios - II (10:40)
Ficheros (2:11)
Crear nuestras propias funciones (8:24)
Python: ejercitando lo aprendido
Python: básicos, variables (14:03)
Python: operaciones, strings (17:08)
Python: crear ciclos y funciones (6:15)
Python: condicionales if, else, elif (17:41)
Python: funciones matemáticas pre-definidas (4:04)
Python: listas (11:20)

Python: Librería NumPy

Introducción a la librería NumPy (9:50)
Matrices con NumPy (12:28)
Generación de datos (enteros, bernouilli, normales, etc.) (10:57)
Manipulando arrays con NumPy (20:19)
Operaciones lógicas (8:27)
Ordenación y valores únicos (6:40)
Operaciones aritméticas (4:48)
Funciones universales (3:49)
Cálculo estadístico con NumPy (5:47)
Funciones vectorizadas (5:28)
Álgebra lineal (8:58)
Python: ejercitando lo aprendido sobre NumPy
Python: básicos (8:44)
Python: creación y simulación de arrays (11:23)
Python: manipulando arrays (14:43)
Python: operaciones lógicas y ordenación (8:58)
Python: matemática, estadística y álgebra (13:30)

Python: Librería Pandas

Introducción a la librería Pandas (1:17)
¿Qué es una serie en Pandas? (10:12)
Operaciones con series de Pandas (10:16)
¿Qué es un dataframe? (10:27)
Características y selección de elementos (18:07)
Modificación de elementos (8:43)
Manejando cadenas de texto (5:59)
Manejando fechas (7:25)
Manejando datos categóricos (4:45)
Análisis estadístico (20:25)
Python: ejercitando lo aprendido sobre Pandas
Python: Inicio y Series de Pandas (12:54)
Python: DataFrames de Pandas (26:46)

Python: Visualización con Matplotlib y Seaborn

Introducción a la visualización de datos (5:10)
Python: ejercitando la visualización
Python: cómo crear una figura y un gráfico de línea (15:11)
Python: diferentes estilos y cómo hacer anotaciones (8:44)
Python: gráficos de barras e histogramas (9:54)
Python: boxplots (5:46)
Python: gráficos de dispersión (2:35)
Python: mapa de calor (2:47)
Python: gráficos con Seaborn (12:30)

Python: Librerías para generar informes de EDA

EDA (Exploratory Data Analysis) automático (25:34)

Python: Series Temporales

Introducción a las Series Temporales (4:30)
Python: ejercitando el manejo de series temporales (11:35)

Python: Mapas con Geopandas

Introducción a la librería geopandas (2:09)
Python: Dibujar mapas con Geopandas (imágenes y GIFs) (23:33)

Data Science en Python

Data Science en Python (9:17)

Introducción a R

Introducción a R (7:42)

R: Instalación

Instalando R (3:41)
Instalando R-Studio (11:18)
R-Cloud

R: Fundamentos del lenguaje

Variables y objetos (7:13)
Vectores (6:42)
Operadores (9:32)
Cadenas de texto (6:12)
Matrices (3:52)
Dataframes (3:35)
Listas (4:12)
Subconjuntos por índice (7:20)
Subconjuntos por nombre (4:17)
Subconjuntos por signo de dolar y doble corchete (3:02)
Subconjuntos con condicionales (6:59)
Funciones (5:33)
Estructuras de control if, for, while, etc. (14:35)
R: Introducción a la programación y manejo de datos
R: Básicos, vectores y operaciones (13:55)
R: Cadenas de caracteres (3:49)
R: Matrices (9:46)
R: Dataframes (2:58)
R: Funciones (6:31)

R: Importar y exportar datos

Descargando datos (4:09)
Importando datos (8:51)
Exportando datos (4:54)
Datos de paquetes estadísticos (2:46)
R: Importando datos (8:54)

R: Gráficas simples

La función plot() (3:54)
Histogramas y gráficos de barra (13:44)
Diagrama de dispersión (7:13)
Boxplot (6:10)
Exportar gráficos (2:46)
R: Visualización básica (7:45)

R: Visualización con la librería ggplot2

Introducción a ggplot2 (7:07)
R: Visualización avanzada
R: Diagramas de dispersión y gráfico de línea (6:57)
R: Configuración de gráficos: colores, añadir texto, paneles, etc (14:03)
R: Histogramas y densidades (5:03)
R: Boxplot (3:40)
R: Gráfico de barras (2:20)
R: Personalización avanzada (8:39)

R: Series temporales

Introducción a las series temporales (3:33)
R: Ejercitando el manejo de series temporales (10:55)

R: Mapas

Introducción a los mapas en R (2:52)
R: Cómo crear mapas de algunos países (9:17)

Data Science con R

Data Science con R (7:47)

Material complementario gratuito

Material complementario gratuito

Introducción al Espacio Multivariante

Introducción al espacio multivariante
Datos Multivariantes (10:58)
Visualización en el espacio multivariante (3:24)
Boxplot (18:25)
Histograma (4:05)
Densidad kernel (7:33)
Scatterplot (6:17)
Matriz de correlaciones (6:36)
Coordenadas paralelas (7:27)
Medidas descriptivas multivariantes loc (11:31)
Medidas descriptivas m cov (17:40)
Transformaciones lineales (12:42)
R: Dataset States (20:38)
R: Dataset Iris (13:10)
Python: Dataset Iris (9:27)
Pyhton: Dataset MNIST (12:21)
Pyhton: Dataset Wisconsin Breast Cancer (18:34)

Variables Multivariantes

Variable aleatoria multivariante (7:46)
Distribución conjunta y marginales (13:48)
Distribución condicional, e independencia (7:51)
Valor esperado, covarianza y correlación (11:02)
Esperanza condicional y ley de la varianza total (13:24)

Distribución Multivariante

Distribucion Normal multivariante (18:37)
Curvas de nivel o contornos (6:03)
Densidad kernel multivariante (2:56)
Distancia Euclidea (7:36)
Distancia Mahalanobis (11:54)
Distribucion t-student multivariante (5:29)
Distribuciones esféricas y elípticas (4:17)
Mixtura de distribuciones (5:37)
Cópulas (11:18)
R: Generación de Normales Multivariantes (13:52)
R: Contornos (9:40)
R: t-student multivariante (4:56)
R: Mixtura (3:29)
Python: Contornos (5:41)
Python: Cópulas (16:58)

Inferencia Multivariante

Introducción a la inferencia multivariante (7:13)
Estadísticos muestrales multivariantes (14:42)
Teorema central del limite multivariante (6:27)
Máxima verosimilitud (11:21)
Estimadores MLE para una Normal (18:30)
Test de Hipótesis Multivariantes (15:16)
Contraste para la media de una Normal multivariante (12:38)
Ejemplo contraste de vector de medias de una Normal multivariante (21:27)
Contrastes para la matriz de covarianzas de una Normal multivariante (12:12)
Contraste de igualdad de varias medias - Análisis de varianza multivariante (12:55)
R: Contraste de igualdad de varias medias (5:10)

Análisis de Componentes Principales

Introducción a PCA (13:35)
Cálculo de las componentes (14:46)
Propiedades (12:51)
PCA normado o con correlaciones (6:38)
Interpretación y selección de los componentes (11:13)
Ejemplo (11:21)
R: PCA (7:41)

Análisis Factorial

Introducción a FA (3:58)
Modelo Factorial (8:47)
Propiedades y unicidad (19:42)
Criterio varimax (8:15)
Principal Component Factor Analysis (15:39)
Principal Factor Analysis (5:38)
Estimación de los factores (13:04)
R: Análisis Factorial (16:50)

Escalamiento Multidimensional

Introducción al escalado multidimensional (7:18)
Escalado métrico o coordenadas principales (19:11)
Construcción de las coordenadas principales (10:42)
Escalado no métrico (8:55)
R: Escalado multidimensional (8:05)

Clusterización

Introducción al análisis de cluster (4:27)
K-medias (13:35)
K-medoides: algoritmo pam (2:27)
Métodos jerárquicos (14:01)
Método aglomerativo (5:24)
Dendograma (10:31)
Método divisivo (2:14)
Clúster basado en modelos (7:49)
R: Clúster particiones: kmeans y pam (7:54)
R: Ejercicio Normales (3:45)
R: Clúster jerárquico (8:37)
R: Clúster basado en modelos (3:40)
Python: K-Means (25:05)

Clasificación

Introduccion a clasificación (5:39)
Método kNN (14:06)
Clasificación bayesiana (12:33)
Regresión logística (10:44)
R: Análisis discriminante (13:55)
R: kNN (7:33)
R: Regresión logística (3:59)

Regresión Lineal Múltiple y Regularización

Regresión lineal simple (15:29)
Regresión lineal múltiple (9:59)
R: Regresión Lineal Múltiple (15:03)
Regularización (8:26)
Regularización Ridge (4:29)
R: Regularización Ridge (9:01)
Regularización Lasso (3:11)
R: Regularización Lasso (4:45)
Elastic Net (2:48)
R: Elastic Net (4:41)

Material adicional: Estadística Multivariante

Libro de Estadística Multivariante

Introducción a la Estadística Robusta

Introducción a la Estadística Robusta

Análisis de datos atípicos y outliers

Un ejemplo introductorio (5:20)
Matlab: Datos peso del cuerpo y cerebro de mamíferos (4:56)
R: Datos peso del cuerpo y cerebro de mamíferos (2:16)
¿Qué es un outlier? (5:02)
Matlab: Ejemplo sencillo de outliers (0:53)
R: Ejemplo sencillo de outliers (0:46)

Conceptos básicos I

Muestra y Población (13:32)
Distribución de una variable aleatoria (6:23)
Distribución Normal (8:00)
Distribución t-student y chi cuadrado (3:54)
Estimadores (12:11)

Espacio Univariante

Media vs Mediana (6:42)
Rango vs RI y STD vs MAD (14:01)
Asimetría vs Medcouple (11:19)
R: Estimadores (5:45)
Método SD (7:58)
Z score (4:40)
Tukey boxplot (10:51)
MADe (3:29)
Z score modificado (3:03)
Boxplot ajustado (5:09)
Matlab + R: Métodos detección de atípicos (univariante) (10:34)
Conclusiones Espacio Univariante (4:25)

Conceptos básicos II

Álgebra lineal (8:39)
Variable multivariante (4:31)
Distribución conjunta y marginales (4:16)
Independencia, covarianza y correlación (3:22)
Normal multivariante (11:12)
R: Normal bivariante (5:48)

Espacio Multivariante

Espacio multivariante (3:14)
Matlab: Ejemplo (4:59)
Estimadores de localización (8:37)
Matlab: Estimadores de localización multivariantes (2:44)
R: Estimadores de localización multivariantes (2:14)
Estimadores de dispersión (14:34)
R: Estimadores de dispersión multivariantes (2:43)
Distancia euclídea (7:10)
Distancia de Mahalanobis (8:11)
R: Distancia de Mahalanobis (4:38)
MCD (15:12)
Matlab: MCD (6:30)
R: MCD (1:41)
MCD Ajustado (11:43)
Ejemplo: Kola Project (10:06)
R: Kola Project y el MCD ajustado (4:49)
Stahel-Donoho (7:29)
R: Stahel-Donoho (3:19)
Kurtosis (3:49)
Matlab + R: Métodos detección de atípicos (multivariante) (14:52)
Conclusiones Espacio Multivariante (2:07)
Paquete de R "mvoutlier"

Regresión lineal robusta

Regresión lineal (10:58)
Método clásico de regresión: mínimos cuadrados (13:57)
Métodos de regresión robustos: LAD, LMS y LTS (7:06)
Matlab: Regresión robusta (5:01)
R: Regresión robusta (3:55)

PCA Robusto

Introducción a PCA, PCA robusto y PCA sparse (13:28)
PCA robusto en R (23:17)

Material adicional: Análisis robusto de datos

Libro Datos Atípicos
Artículos científicos y paquetes

Los datos que dependen del tiempo

¿Sabes cuáles son los datos temporales?

Introducción a las Series Temporales

Introducción a series de tiempo (13:44)
Notación (3:59)
Peculiaridades de las series temporales (4:54)
Python: Examinando los datos (11:13)
Python: Gráfico de una serie de tiempo (8:57)
Python: Gráfico QQ (3:50)

Serie temporal en R y Python

Python: Transformación de los datos (6:33)
Python: Fecha como indice (4:35)
Python: Frecuencia de la serie de tiempo (4:47)
Python: Valores faltantes (6:47)
Python: Simplificando el dataset (4:20)
Python: Conjuntos de entrenamiento y prueba (10:18)
Python: Actualizando los datos de precios con Yahoo Finance
Python: Modificando la frecuencia de la serie
R: Manejo de tiempo y fechas (13:26)
R: Objeto serie de tiempo (3:24)
R: Valores faltantes y atípicos (7:04)
R: Objeto ts vs zoo (Starbucks & Microsoft) - Datos mensuales / diarios (39:24)

Características fundamentales

Ruido Blanco (12:58)
¿Cómo generar ruido blanco en R?
Caminata aleatoria - Random Walk (8:00)
¿Cómo generar una caminata aleatoria en Python?
¿Cómo generar una caminata aleatoria en R?
Estacionariedad (8:13)
Estacionariedad en Python (18:30)
Heterocedasticidad
Estacionalidad (7:48)
Filtro Hodrick Prescott (15:12)
Python: Ejemplo pasajeros avión (7:47)
Autocorrelación (11:00)
Autocorrelación parcial (7:56)
R: Analizando temperaturas (6:49)

Técnicas de suavizado

Promedio móvil simple - Python (17:26)
Holt-Winters - Python (15:51)
Suavizado exponencial completo en R (10:51)

Modelos AR autorregresivos

Modelos predictivos (10:27)
Modelo autorregresivo AR (7:47)
Python: AR(1) (11:46)
Python: AR(n) (22:45)
Python: Retornos (11:27)
Python: Población USA (15:06)

Modelos MA: medias móviles

MA medias moviles (7:40)
Python: MA(1) Retornos (11:02)
Python: MA(n) Retornos (14:21)
Python: Residuos MA (12:06)
Normalización (12:23)
Python: MA(1) Precios (6:03)

ARMA: autoregresivo de medias móviles

Introducción modelos ARMA (4:29)
ARMA(1,1) (8:41)
ARMA(p,q) (25:33)
Residuos (9:37)
ARMA Precios (8:17)

ARIMA: autoregresivo integrado de medias móviles

Introducción a modelos ARIMA (13:05)
ARIMA(1,1,1) (8:39)
ARIMA(p,d,q) (9:43)
Integración (5:35)
ARIMA en series estacionarias (4:03)
ARIMAX (5:51)
SARIMAX (17:38)
Ejemplo con datos de contaminación (14:07)
R: ARIMA Linces (10:46)

ARCH

Volatilidad (2:49)
Introducción a ARCH (5:59)
ARCH en detalle (9:55)
Python: ARCH (9:17)
ARCH(1) (6:42)
ARCH(p) (4:44)

GARCH

Introducción a GARCH (9:47)
GARCH(p,q) (4:15)
GARCH simple (4:49)

Auto ARIMA

Introducción a Auto ARIMA (8:25)
Auto ARIMA en Python (8:24)
Auto ARIMA modificado (17:11)

Prediciendo el futuro

Prediciendo el futuro de Yahoo Finance (12:14)
Prediciendo con AR y MA (4:41)
Modelos máximos (8:11)
Predicciones con estacionalidad (4:21)
Predicciones con auto ARIMA en Python (4:49)
Desventajas con pronósticos (6:37)
Prediciendo volatilidad (6:06)
VAR (10:20)
Auto ARIMA en R con tasas de inflación alemanas (7:18)
Auto ARIMA en R con Linces atrapados (5:07)
Prophet Facebook library (11:14)
Prophet pasajeros de avión (4:20)
Análisis del Covid-19 (18:23)
Análisis de precios del Bitcoin (43:22)
Paquete coindeskr en R
Python: Hampel Filter para detectar atípicos en series temporales (22:11)
R: Hampel Filter para detectar atípicos en series temporales (10:02)
Python: Cómo invertir la diferenciación de la serie y volver a la escala original (18:41)
R: Cómo invertir la diferenciación de la serie y volver a la escala original (17:43)
Python: Comparando Auto Arima y Prophet (30:43)

Redes Neuronales para Series de Tiempo

Introducción y conceptos de redes neuronales (5:51)
Modelo Perceptrón (6:38)
Redes Neuronales en Deep Learning (8:38)
Python - Introducción a Keras (21:01)
Redes Neuronales Recurrentes (11:26)
LSTM (15:04)
Python: Time Series Generator (19:28)
Python: LSTM para predecir series de tiempo (28:38)
R: Red neuronal autorregresiva para predecir el consumo de electricidad (18:55)
Paquetes en Python y R

Series Temporales Multivariantes

Introducción a las series temporales multivariantes
Desventajas del análisis de series temporales clásico univariante (8:01)
Introducción a las series temporales multivariantes (7:38)
Estructura y categorización (7:35)
Ejemplo de serie temporal multivariante (5:37)
¿Cómo escoger el modelo adecuado? (3:15)
Estacionariedad en una serie temporal multivariante (6:04)
Modelo VAR y VARMA (13:45)
Causalidad de Granger (9:35)
Causalidad de Granger no es realmente causalidad (9:59)
Predicciones y pronósticos en el caso multivariante (3:58)
Librerias R y Python (5:52)

Introducción a los casos de estudio

Pasos generales para análisis de series de tiempo multivariantes (6:19)
Cómo generar una serie de tiempo multivariante (5:53)

Casos de estudio con R-Studio: Datos macroeconómicos de Estados Unidos

Cargando librerías y datos (8:35)
Análisis exploratorio (10:44)
Dividiendo en conjuntos de entrenamiento y prueba (8:01)
Estacionariedad (3:05)
Modelo VAR (5:49)
Causalidad de Granger (2:06)
Diagnosis del modelo (2:13)
Pronósticos a futuro (1:59)
Evaluación del modelo (4:26)
Re-entrenando el modelo con todos los datos (7:41)

Casos de estudio con R-Studio: Datos macroeconómicos de Sudáfrica

Análisis exploratorio (4:23)
Dividir en conjuntos de entrenamiento y prueba (2:32)
Estacionariedad (5:51)
Modelo VAR (2:00)
Diagnosis (1:00)
Predicciones (1:14)
Evaluando el modelo (1:03)
Re-entrenando con todos los datos (2:34)

Casos de estudio con R-Studio: Datos macroeconómicos de Filipinas

Análisis exploratorio (4:10)
Conjunto entrenamiento y prueba otras clases anteriores. (0:50)
Estacionariedad (4:39)
Modelo VAR (1:19)
Diagnosis del modelo (0:43)
Pronósticos (13:06)
Evaluación del modelo (2:34)

Casos de estudio con R-Studio: Comodities Oro y Plata

Precios del Oro y la Plata: análisis exploratorio (5:33)
Estacionariedad (1:44)
Modelo VAR (1:09)
Prediciendo los precios del oro y la plata (6:42)

Casos de estudio con R-Studio: Datos macroeconómicos mayor dimensión

Serie multivariante de 20 variables macroeconómicas (4:03)
Modelo VAR con variables exógenas (6:45)
Pronósticos a futuro (2:44)

Casos de estudio con R-Studio: Mercado financiero europeo

Análisis del EuStockMarket (4:12)
Análisis exploratorio y Estacionariedad (2:37)
Modelo, Causalidad y Diagnosis (3:11)
Pronósticos a futuro (4:44)

Resumen casos de estudio en R: metodología y trucos

Resumen casos estudio en R

Casos de estudio con Python: Precios del Oro y la Plata

Pasos para analizar series temporales multivariantes en Python (6:36)
Yahoo Finance para obtener datos del mercado financiero actualizados (12:33)
Análisis exploratorio (5:18)
Conjunto de entrenamiento y prueba (3:48)
Estacionariedad (4:20)
Transformación de los datos (5:08)
Modelo VAR (4:06)
Causalidad de Granger (9:36)
Diagnosis del modelo (3:15)
Pronósticos (8:20)
Evaluación del modelo (2:50)

Casos de estudio con Python: Índices del mercado financiero europeo

Pre-procesado de los datos (4:09)
Análisis exploratorio (1:40)
Conjunto de entrenamiento y prueba (0:39)
Estacionariedad (2:14)
Modelo VAR (1:47)
Causalidad de Granger (2:47)
Diagnosis del modelo (1:51)
Pronósticos (6:11)

Casos de estudio con Python: Crecimiento salarial y el proceso de inflación

Importando datos de Github (3:37)
Análisis exploratorio (1:34)
Estacionariedad (2:53)
Modelo VAR (1:15)
Causalidad de Granger (4:20)
Diagnosis del modelo (1:13)
Pronósticos (3:29)
Eliminando una variable y volviendo a repetir los pasos (3:41)

Casos de estudio con Python: Sensores de gas

Análisis exploratorio (3:16)
Estacionariedad (1:31)
Modelo VAR y Causalidad de Granger (1:54)
Diagnosis del modelo (0:51)
Pronósticos (6:27)

Casos de estudio con Python: Calidad del Aire

Preprocesamiento de datos de alta dimensión (11:59)
Análisis exploratorio (2:00)
Modelo VAR (2:49)
Pronósticos (4:03)

Detección de anomalías

Detección de anomalías en series temporales univariantes y multivariantes (40:26)

Inferencia o Impacto Causal

¿Qué es la inferencia o el impacto causal? (17:17)
Causal Impact: una librería en R y caso de estudio (19:11)
Estimando el impacto de Juego de Tronos con Python (14:01)

Resumen casos de estudio en Python: metodología y trucos

Resumen casos de estudio en Python

Final del Curso

¡Enhorabuena!

Teach online with

ARIMA(p,d,q)

Contenido de la clase bloqueado

Si ya está inscrito, deberás iniciar sesión.

Inscríbase en el curso para desbloquear